| Form of studies |
Bachelor |
| Title of the study programm |
Intelligent robotic systems |
| Title in original language |
Pepper robota lokalizācija un navigācija, izmantojot dziļo mašīnmācīšanos |
| Title in English |
Pepper Robot's Localization and Navigation Using Deep Learning |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Ēvalds Urtāns |
| Reviewer |
Ēriks Kļaviņš |
| Abstract |
Mobila robota autonoma navigācija ietver lokalizāciju vidē, šķēršļu atpazīšanu, kā arī ceļa plānošanu atbilstoši mērķim. Noturīgas sistēmas darbībai katrai no šīm daļām jāizpildās veiksmīgi. Pepper robota sensoru datu kvalitāte un veiktspēja ir ierobežota, līdz ar to ir nepieciešami algoritmi, kuri spēj darboties nenoteiktības apstākļos.
Darba mērķis ir izpētīt Pepper robotam aktuālas lokalizācijas un na-
vigācijas metodes, iekļaujot gan klasiskas, gan ar dziļo mašīnmācīšanos, noteikt piemērotākās un salīdzināt to darbību ar robotu.
Darbā tika noskaidrots, ka robota autonoma navigāciju sarežģī neprecīza lokalizācija, tādēļ par prioritāti tika izvirzīta tās uzlabošana. Par piemērotiem tika noteikti SLAM algoritmi.
Tika novērtēta SLAM algoritmu lokalizācijas un kartēšanas precizitāte. Gmapping ar attāluma sensoru datiem nesniedz pielietojamas kvalitātes rezultātus. Gmapping ar kameras dziļuma datiem sniedz ievērojamu uzlabojumu pār Gmapping ar attāluma sensoru datiem. Ar to iegūta vidējā lokalizācijas kļūda 0.46m, absolūtā trajektorijas kļūda 0.51m un vidējais IoU 0.85. Gmapping ar mākslīgā neironu tīkla noteiktajiem dziļuma datiem sasniedz līdzvērtīgus rezultātus Gmapping ar kameras dziļuma datiem. Ar to iegūta vidējā lokalizācijas kļūda 0.51m, absolūtā trajektorijas kļūda 0.44m un vidējais IoU 0.73. ORB-SLAM3 monokulārā konfigurācijā spēj sasniegt augstākos rādītājus, taču pieprasa vairāk iestatīšanas, kā arī uzmanības vides apstākļiem. Ar to iegūta vidējā lokalizācijas kļūda 0.42m, absolūtā trajektorijas kļūda 0.38m un vidējais IoU 0.87.
Autonomai navigācijai Pepper robota attāluma sensoru dati nav pietiekama apjoma, taču kameras attēli un dziļuma kartes var tikt izmantotas pielietojamu rezultātu iegūšanai ar SLAM algoritmiem - gan klasiskiem, gan ar dziļo mašīnmācīšanos. |
| Keywords |
Pepper, SLAM, dziļā mašīnmācīšanās, mākslīgie neironu tīkli |
| Keywords in English |
Pepper, SLAM, deep learning, neural networks |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
28.05.2024 23:45:22 |
